[ad_1]
„Kubity” tworzące komputery kwantowe mogą przyjmować dowolną superpozycję obliczeniowych stanów bazowych. Pozwala to komputerom kwantowym na wykonywanie nowych zadań w połączeniu ze splątaniem kwantowym, inną właściwością kwantową, która łączy kilka kubitów w sposób wykraczający poza to, co jest możliwe w przypadku połączeń klasycznych.
Niezwykła kruchość superpozycji kwantowych jest główną przeszkodą w praktycznym wdrożeniu komputerów kwantowych. W rzeczywistości błędy, które szybko niszczą superpozycje kwantowe, są powodowane przez drobne zakłócenia, takie jak te spowodowane na przykład wszechobecną obecnością środowiska. W rezultacie komputery kwantowe tracą swoją przewagę konkurencyjną.
Aby pokonać tę przeszkodę, opracowano zaawansowane metody kwantowej korekcji błędów. Chociaż mogą one zneutralizować efekt błędów, często wiążą się z ogromnym narzutem w złożoności urządzenia.
W nowym badaniu naukowcy z RIKEN Center for Quantum Computing wykorzystali uczenie maszynowe do przeprowadzenia korekcji błędów dla komputerów kwantowych. Dzięki temu zrobili krok naprzód w kierunku uczynienia tych urządzeń praktycznymi.
W szczególności naukowcy wykorzystali autonomiczny system korekcji, który pomimo tego, że jest przybliżony, może skutecznie określić, w jaki sposób najlepiej wprowadzić niezbędne poprawki.
W badaniu tym wykorzystano uczenie maszynowe do znalezienia metod korekcji błędów o niskim narzucie na urządzenie i wysokiej wydajności korekcji błędów. W tym celu skupiono się na autonomicznym podejściu do kwantowej korekcji błędów, w którym umiejętnie stworzone sztuczne środowisko zastępuje wymóg wykonywania regularnych pomiarów wykrywających błędy. Badali również „bozonowe kodowania kubitów”, które są na przykład wykorzystywane w niektórych z najbardziej obiecujących i powszechnych kwantowych urządzeń obliczeniowych, które są obecnie dostępne i zbudowane na obwodach nadprzewodzących.
Ogromna przestrzeń poszukiwań bozonowych kodowań kubitów stanowi trudny problem optymalizacyjny, który naukowcy próbują rozwiązać za pomocą uczenia ze wzmocnieniem. Ta najnowocześniejsza technika uczenia maszynowego polega na tym, że agent bada środowisko, które może być abstrakcyjne, aby uczyć się i ulepszać swoją politykę działania. W rezultacie zespół odkrył, że przybliżone kodowanie kubitów, które było nieoczekiwanie proste, może nie tylko znacznie zmniejszyć złożoność urządzenia w porównaniu do wcześniej proponowanych kodowań, ale także przewyższyć swoich rywali pod względem zdolności do naprawy błędów.
Yexiong Zeng, pierwszy autor artykułu, mówi, „Nasza praca nie tylko demonstruje potencjał wykorzystania uczenia maszynowego do kwantowej korekcji błędów, ale może również przybliżyć nas o krok do pomyślnego wdrożenia kwantowej korekcji błędów w eksperymentach”.
Według Franco Nori, „Uczenie maszynowe może odegrać kluczową rolę w rozwiązywaniu wyzwań związanych z obliczeniami kwantowymi i optymalizacją na dużą skalę. Obecnie jesteśmy aktywnie zaangażowani w kilka projektów, które integrują uczenie maszynowe, sztuczne sieci neuronowe, kwantową korekcję błędów i kwantową odporność na błędy”.
Odniesienie do czasopisma:
- Zeng et al. (2023) Approximate Autonomous Quantum Error Correction with Reinforcement Learning. Phys Rev Lett. DOI: 10.1103/PhysRevLett.131.050601
– Reklama -.
[ad_2]